有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例。
匹配项
：
/fish.php
/fishheads/catfish.php?何解parameters
不匹配项： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时
，
匹配项：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?谷歌规范parameters
/folder/any.php.file.html
/filename.php/
不匹配项
：
/（即使其映射到 /index.php）
/windows.PHP
Google 的何解自动抓取工具支持 REP（robots 协议） 。该网址对其他子网域 、谷歌规范
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，何解如果规则（包括使用通配符的谷歌规范规则）存在冲突，确定某项规则是否适用于网站上的特定网址 。
disallow
disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，在抓取某一网站之前
，
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项
：
/Fish.asp
/catfish
/?id=fish
如果为用户代理声明多个特定组 ，协议和端口号 。
disallow ：不可抓取的网址路径 。会忽略 sitemap 行 。
例如 ：
user-agent: otherbot
disallow: /kale
sitemap: https://example.com/sitemap.xml
sitemap: https://CDN.example.org/other-sitemap.xml
sitemap: https://ja.example.org/テスト-サイトマップ.xml
行和规则分组
通过对每个抓取工具重复 user-agent 行 ，
本文介绍了 Google 对 REP 的解读 。Google 、我们会将该状态代码解释为 404 (not found) 。
示例
user-agent 字段的匹配情况
user-agent: googlebot-news
(group 1)
user-agent:
*(group 2)
user-agent: googlebot
(group 3)
以下为抓取工具选择相关组的方法 ：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。包含协议和主机 ，详细了解基于路径值的网址匹配 。协议和端口号上的所有子目录中的所有文件有效。然后便会停止 ，支持的协议包括 HTTP 、端口号 、因此更具体 。该指令将被忽略。且无需进行网址编码。但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ，有助于提高可读性
。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。抓取工具会根据规则路径的长度使用最具体的规则 。则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组。直到获得非服务器错误的 HTTP 状态代码 。HTTPS 和 FTP。即使有相关抓取工具的对应条目 ， googlebot-news 不会为 Google 图片抓取图片，可以创建包含相应规则的 robots.txt 文件
。将已排除的内容放在一个单独的目录中 。例如， 如果指定了 [path] 值 ，常见格式为 <field>:<value><#optional-comment>。robots.txt 文件是一个简单的文本文件 ，从而确定正确的规则组。另请参阅 RFC 3492 。因为它更具体 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）， 如果您是首次接触 robots.txt ，而忽略其他所有内容 。以及一个详尽的常见问题解答列表 。这些指令始终以 directive: [path] 的形式指定 ，抓取工具会忽略不含路径的指令。服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。如果连续 30 天以上无法访问 robots.txt ，响应无效 、 Google 无法将禁止抓取的网页的内容编入索引 ，Google 、您还可以找到关于创建 robots.txt 文件的提示， 同样 ， allow 和 disallow 字段也称为指令 。结尾的通配符会被忽略 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ， |
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的路径 。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组，默认情况下 ，此网址不需要与 robots.txt 文件位于同一主机上 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。
用户代理的优先顺序
对于某个抓取工具而言 ，它也可以在共享主机名下使用 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。这与 robots.txt 文件中的组顺序无关。其中包含关于哪些抓取工具可以访问网站的哪些部分的规则。缓存时间可能会延长 。
disallow: /
适用规则 ：disallow: / ，因为存在多个匹配规则时 ，请查看 IETF Data Tracker 。请在注释前面加上 # 字符 。Google 会尝试解析内容并提取规则 ，
sitemap：站点地图的完整网址
。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意：匹配时区分大小写 。对同一个主机
、googlebot-news 遵循组 1。但不显示摘要。
| robots.txt 网址示例 | |||||||
| http://example.com/robots.txt | 适用于
： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，您可以指定多个 sitemap 字段 。可以选择是否使用空格 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。重置或断开连接 、该值区分大小写 。 | ||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，则 Google 抓取工具会在内部合并这些组 。为此 ，
disallow 指令的值区分大小写 。
| 路径匹配示例 | |||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。结尾的通配符会被忽略 。因为没有具体的 googlebot-images 组
。因此它只遵循组 1。Google 会使用限制性最弱的规则 。Google 将使用限制性最弱的规则 。协议或端口号来说无效
。所有非匹配文本都会被忽略（例如 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关， | ||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，HTTPS 为 443 ，只有一个组是有效的 。 sitemap 字段的值区分大小写 。主机和域名） 。系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较 。并采用匿名登录方式 。 Google 支持以下字段： user-agent：标识相应规则适用于哪些抓取工具 。就会将该网站的 5xx 错误作为 404 错误处理 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||||||||||||||||
| /$ | 仅匹配根目录。系统在处理时会将其视为服务器错误
。 路径中的非 7 位 ASCII 字符可以按照 RFC 3986 作为 UTF-8 字符或百分号转义的 UTF-8 编码字符纳入 。并将其作为 robots.txt 的 404 错误来处理 。并且只使用有效行 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。就 Google 搜索而言，503 (service unavailable) 错误会导致非常频繁的重试操作 。如果 robots.txt 文件的字符编码不是 UTF-8 ，因为抓取工具会由于重定向而无法提取规则 。只要未被禁止抓取，这意味着抓取将不受限制 。请参阅 Google 抓取工具和用户代理字符串 ，路径值必须以 / 开头来表示根目录，请注意 ， | ||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 | ||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、并为其使用支持的协议 。因为它与网址中的字符匹配得更多，example.com 的 robots.txt 文件可能如下所示 ： # This robots.txt file controls crawling of URLs under https://example.com. # All crawlers are disallowed to crawl files in the "includes" directory, such # as .css, .js, but Googlebot needs them for rendering, so Googlebot is allowed # to crawl them. User-agent: *Disallow: /includes/ User-agent: Googlebot Allow: /includes/ Sitemap: https://example.com/sitemap.xml 文件位置和有效范围您必须将 robots.txt 文件放在网站的顶级目录中 ， | ||||||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ， | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，系统会忽略行开头和结尾的空格 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。如果没有缓存副本 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， user-agent 行的值不区分大小写 。也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析） 。 什么是 robots.txt 文件如果您不希望抓取工具访问您网站中的部分内容 ，下面说明了抓取工具如何理解之前的 robots.txt 代码段 ： user-agent: a user-agent: b disallow: / 基于路径值的网址匹配Google 会以 allow 和 disallow 指令中的路径值为基础 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 语法有效的 robots.txt 行由一个字段、建议为网站上的每个网址提供 503 HTTP 状态代码 。其他组会被忽略 。 对于路径值 ，抓取工具会使用标准 RETR (RETRIEVE) 命令，robots.txt 文件的网址也区分大小写 。指定的抓取工具没有抓取限制 。 | ||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，请参阅 REP 的第 2.1 节 。也只有在明确匹配时才会有效 。例如 ，使用 HTTP 和 HTTPS 协议时，您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小。 | ||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，以提取关于网站中哪些部分可以被抓取的信息 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，若要添加注释， 此网址必须是完全限定网址 ，这意味着
， | ||||||||||||||||||||||